• Vorstellung des Openstreetmap (OSM) Projekts
• Welche OSM-Daten sind erhältlich?
• Vorstellung von Forschung die mit OSM-Daten durchgeführt wurde

OpenStreetMap.org ist ein im Jahre 2004 gegründetes internationales Projekt mit dem Ziel, eine freie Weltkarte zu erschaffen. Dafür sammeln wir weltweit Daten über Straßen, Eisenbahnen, Flüsse, Wälder, Häuser und vieles mehr.

http://www.openstreetmap.de/

OpenStreetMap (OSM) ist ein kollaboratives Projekt um eine editierbare Weltkarte zu erzeugen.

Wikipedia - OpenStreetMap

http://wiki.openstreetmap.org/wiki/DE:Map_Features

• Es gibt prinipiell drei verschiedene Objekttypen:

• https://mapzen.com/ - Ausschnitte von OpenStreetMap für einzelne Städte (metro extracts)

• Über Geofabrik lassen sich aktuelle Ausschnitte (auch Shapefiles) herunterladen (http://download.geofabrik.de/)

• Kartendaten (openaprs)

• Hier geht es nur um das Herunterladen kleiner Ausschnitte.
• Wenn größere Datenmengen benötigt werden, sollte man eine Datenbanklösung finden.

• PostgreSQL hat den Vorteil, dass es Open-Source ist.

• Download PostreSQL

• Hier ist eine Einführung in PostgreSQL zu finden

• Sehr empfehlenswert: Arbeiten mit pgAdmin III

• Beispiel: um Verknüpfung zu einer Datenbank herzustellen - Doppelklick auf den Server in pgAdmin III

PostGIS für PostgreSQL

• Installieren der PostGIS Erweiterung:

CREATE EXTENSION postgis;

• Läuft unter Linux deutlich besser
• so könnte bspw. ein Import in PostgreSQL aussehen:

osm2pgsql -c -d osmBerlin --slim -C  -k  berlin-latest.osm.pbf

• Plugin OpenLayers

• Wiki zum Downlaod von Openstreetmap Daten

• Openstreetmap Blog

• Liste möglicher Datenquellen für räumliche Analysen (weltweit und in Deutschland )

• SALB - Administrative Grenzen

http://wiki.openstreetmap.org/wiki/SALB

• Das Konzept der Geokoordinaten erklären
• Möglichkeiten vorstellen, die Geokodierung mit R durchzuführen

Wikipedia - Geocoding

Geocoding (…) uses a description of a location, most typically a postal address or place name, to find geographic coordinates from spatial reference data …

• Einer der ersten Ansätze Geokodierung mit R durchzuführen
• Wenn Geokodierung mit R durchgeführt wird dieses Paket wohl am häufigsten verwendet.
• Das führt auch dazu, dass im Internet zahlreiche Anwendungsbeispiele zu finden sind.

library(ggmap)
geocode("Heidelberg")

Information from URL : http://maps.googleapis.com/maps/api/geocode/json?address=Heidelberg&sensor=false
       lon      lat
1 8.672434 49.39875

http://modernsurvivalblog.com

mapdist("Q1, 4 Mannheim","B2, 1 Mannheim")

mapdist("Q1, 4 Mannheim","B2, 1 Mannheim",mode="walking")

Eine andere Distanz bekommen

mapdist("Q1, 4 Mannheim","B2, 1 Mannheim",mode="bicycling")

• Beim Paket tmaptools wird die Nominatim API zur Geokodierung verwendet.
• Diese Funktion hat den Vorteil, dass eine Projektion ausgewählt werden kann, in der die Geokodierungen zurück gegeben werden.

library("tmaptools")

cities <- c("Hamburg","Koeln","Dresden","Muenchen")

lat <- vector()
lon <- vector()
for (i in 1:length(cities)){
  gc <- geocode_OSM(cities[i])
  lat[i] <- gc$coords[1]
  lon[i] <- gc$coords[2]
}

Dat <- data.frame(cities,lon,lat)
kable(Dat)

MA_map <- qmap("Mannheim")

MA_map +
geom_point(aes(x = x, y = y),
data = ListPOI)

MA_map +
geom_point(aes(x = x, y = y),col="red",
data = ListPOI)

Reverse geocoding is the process of back (reverse) coding of a point location (latitude, longitude) to a readable address or place name. This permits the identification of nearby street addresses, places, and/or areal subdivisions such as neighbourhoods, county, state, or country.

Quelle: Wikipedia

revgeocode(c(48,8))

• Hier wird ein Beispieldatensatz eingelesen, den ich über räumliche Stichproben und reverse geocoding erzeugt habe.

load("../data/addr_list_t_68239.RData")
head(addr_list_t)

## [1] "Lilienstraße 32A, 68535 Edingen-Neckarhausen, Germany"
## [2] "Waldspitze 6, 68239 Mannheim, Germany"                
## [3] "Holzweg 51, 68239 Mannheim, Germany"                  
## [4] "Kloppenheimer Str. 247, 68239 Mannheim, Germany"      
## [5] "Mallaustraße 121, 68219 Mannheim, Germany"            
## [6] "Holzweg 33A, 68239 Mannheim, Germany"

geocode_OSM(addr_list_t[1])

## $query
## [1] "Lilienstraße 32A, 68535 Edingen-Neckarhausen, Germany"
## 
## $coords
##         x         y 
##  8.584601 49.445360 
## 
## $bbox
##         min       max
## x  8.584494  8.584708
## y 49.445276 49.445443

gc_list <- list()

for (i in 1:length(addr_list_t)){
  gc_list[[i]] <- geocode_OSM(addr_list_t[i])
}

• Um dieses Paket zu nutzen muss man sich vorher bei der API registrieren

library(opencage)

gc_info<-opencage_forward(placename = 
                              "Amsterdam, Van Woustraat")

• Hinweise, wie das Paket genutzt erden kann sind im opencage Tutorial zu finden.

install.packages("geonames")

• Ein Account ist notwendig um die meisten Funktionen des Paketes geonameszu nutzen.

library(geonames)

options(geonamesUsername="myusername")

MAwiki<-GNfindNearbyWikipedia(postalcode=68239,country="DE",
                              radius=10)

• Login für Geonames

• Link um mit den Geodaten zu arbeiten

• Informationen über den Download

library(osmdata)
bbox <- getbb("Mannheim")

erg <- geonames::GNcities(49.649591,8.627236,
                          49.329591,8.307236)

Accesses Google Maps APIs to Retrieve Data and Plot Maps

library(googleway)

• Ein API Schlüssel ist notwendig um die meisten Funktionen des Paketes zu nutzen.

• Das Paket bbox ist auf github zu finden.

• Beispieldatensatz laden:

load("../data/ddat.RData")

• Rahmen für das räumliche Objekt bestimmen:

library(bbox)
b_box(ddat)

## [1]  5.866286 47.273602 15.048632 55.058262

citation("bbox")

• Überblick von Jesse Sadler zur Geokodierung mit R
• Ein Schummelzettel für ggmap

• Die Vignette zum Paket tmap - tmap: get started

• latlong.net - eine Homepage um Koordinaaten zu bestimmen.

<www.openstreetmap.org/export>

osm export

library("XML")

Gaston Sanchez - Dataflow

Seine Arbeit sieht man hier.

Gaston Sanchez - Webdaten bekommen

<www.openstreetmap.org/export>

osm export

Administrative Grenzen für Deutschland

url <- "https://api.openstreetmap.org/api/0.6/relation/62422"

BE <- xmlParse(url)

BE <- xmlParse("../data/62422.xml")

Administrative Grenzen Berlin

• Tobi Bosede - Working with XML Data in R

xmltop = xmlRoot(BE)
class(xmltop)

## [1] "XMLInternalElementNode" "XMLInternalNode"       
## [3] "XMLAbstractNode"

xmlSize(xmltop)

## [1] 1

xmlSize(xmltop[[1]])

## [1] 337

Xpath, the XML Path Language, is a query language for selecting nodes from an XML document.

xpathApply(BE,"//tag[@k = 'population']")

## [[1]]
## <tag k="population" v="3440441"/> 
## 
## attr(,"class")
## [1] "XMLNodeSet"

xpathApply(BE,"//tag[@k = 'source:population']")

## [[1]]
## <tag k="source:population" v="http://www.statistik-berlin-brandenburg.de/Publikationen/Stat_Berichte/2010/SB_A1-1_A2-4_q01-10_BE.pdf 2010-10-01"/> 
## 
## attr(,"class")
## [1] "XMLNodeSet"

-Statistik Berlin Brandenburg

xpathApply(BE,"//tag[@k = 'name:ta']")

## [[1]]
## <tag k="name:ta" v="<U+0BAA><U+0BC6><U+0BB0><U+0BCD><U+0BB2><U+0BBF><U+0BA9><U+0BCD>"/> 
## 
## attr(,"class")
## [1] "XMLNodeSet"

region <- xpathApply(BE,
  "//tag[@k = 'geographical_region']")
# regular expressions
region[[1]]

## <tag k="geographical_region" v="Barnim;Berliner Urstromtal;Teltow;Nauener Platte"/>

<tag k="geographical_region" 
  v="Barnim;Berliner Urstromtal;
  Teltow;Nauener Platte"/>

Barnim

url2<-"http://api.openstreetmap.org/api/0.6/node/25113879"
obj2<-xmlParse(url2)
obj_amenity<-xpathApply(obj2,"//tag[@k = 'amenity']")[[1]]
obj_amenity

## <tag k="amenity" v="university"/>

xpathApply(obj2,"//tag[@k = 'wikipedia']")[[1]]

## <tag k="wikipedia" v="de:Universität Mannheim"/>

xpathApply(obj2,"//tag[@k = 'wheelchair']")[[1]]

xpathApply(obj2,"//tag[@k = 'name']")[[1]]

url3<-"http://api.openstreetmap.org/api/0.6/node/303550876"
obj3 <- xmlParse(url3)
xpathApply(obj3,"//tag[@k = 'opening_hours']")[[1]]

## <tag k="opening_hours" v="Mo-Sa 09:00-20:00; Su,PH off"/>

url4<-"http://api.openstreetmap.org/api/0.6/node/25439439"
obj4 <- xmlParse(url4)
xpathApply(obj4,"//tag[@k = 'railway:station_category']")[[1]]

## <tag k="railway:station_category" v="2"/>

• Wikipedia Artikel Bahnhofskategorien

• rvest: Easily Harvest (Scrape) Web Pages

library(rvest)
bhfkat<-read_html(
  "https://de.wikipedia.org/wiki/Bahnhofskategorie")
df_html_bhfkat<-html_table(
  html_nodes(bhfkat, "table")[[2]],fill = TRUE)

url5<-"http://api.openstreetmap.org/api/0.6/way/162149882"
obj5<-xmlParse(url5)
xpathApply(obj5,"//tag[@k = 'name']")[[1]]

## <tag k="name" v="City-Airport Mannheim"/>

xpathApply(obj5,"//tag[@k = 'website']")[[1]]

## <tag k="website" v="http://www.flugplatz-mannheim.de/"/>

xpathApply(obj5,"//tag[@k = 'iata']")[[1]]

## <tag k="iata" v="MHG"/>

library("osmar")
node_ <- xmlParse("../data/162149882.xml")
node_osmar <- as_osmar(node_)
node_osmar

## osmar object
## 0 nodes, 1 ways, 0 relations

library(sf)

• Mit dem Befehl st_layers kann man sehen, welche Layer verfügbar sind:

st_layers("../data/Amsterdam_highway_primary.osm")

## Driver: OSM 
## Available layers:
##         layer_name       geometry_type features fields
## 1           points               Point       NA     10
## 2            lines         Line String       NA      9
## 3 multilinestrings   Multi Line String       NA      4
## 4    multipolygons       Multi Polygon       NA     25
## 5  other_relations Geometry Collection       NA      4

dat <- st_read("../data/Amsterdam_highway_primary.osm","lines")

## Reading layer `lines' from data source `D:\Daten\GitHub\geocourse\data\Amsterdam_highway_primary.osm' using driver `OSM'
## Simple feature collection with 1464 features and 9 fields
## geometry type:  LINESTRING
## dimension:      XY
## bbox:           xmin: 8.333102 ymin: 49.32801 xmax: 8.627991 ymax: 49.65208
## epsg (SRID):    4326
## proj4string:    +proj=longlat +datum=WGS84 +no_defs

plot(dat$geometry)

datp <- st_read("../data/Amsterdam_highway_primary.osm","points")

## Reading layer `points' from data source `D:\Daten\GitHub\geocourse\data\Amsterdam_highway_primary.osm' using driver `OSM'
## Simple feature collection with 800 features and 10 fields
## geometry type:  POINT
## dimension:      XY
## bbox:           xmin: 8.33654 ymin: 49.32801 xmax: 8.626969 ymax: 49.65208
## epsg (SRID):    4326
## proj4string:    +proj=longlat +datum=WGS84 +no_defs

plot(dat$geometry,pch=20,col=rgb(0,0,1,.1))

library(tmap)
qtm(dat$geometry)

st_layers("../data/ams_centraal.osm")

## Driver: OSM 
## Available layers:
##         layer_name       geometry_type features fields
## 1           points               Point       NA     10
## 2            lines         Line String       NA      9
## 3 multilinestrings   Multi Line String       NA      4
## 4    multipolygons       Multi Polygon       NA     25
## 5  other_relations Geometry Collection       NA      4

datm <- st_read("../data/ams_centraal.osm","multipolygons")

## Reading layer `multipolygons' from data source `D:\Daten\GitHub\geocourse\data\ams_centraal.osm' using driver `OSM'
## Simple feature collection with 2796 features and 25 fields
## geometry type:  MULTIPOLYGON
## dimension:      XY
## bbox:           xmin: 4.874776 ymin: 52.36088 xmax: 4.929755 ymax: 52.39393
## epsg (SRID):    4326
## proj4string:    +proj=longlat +datum=WGS84 +no_defs

sp::plot(datm$geometry)

• Deborah Nolan - Extracting data from XML

• Duncan Temple Lang - A Short Introduction to the XML package for R

Noch mehr Informationen

• Web Daten manipulieren

• Tutorial zu xquery

• R und das Web (für Anfänger), Teil II: XML und R

• Gaston Sanchez - String Manipulation

• Nutzung, Vor- und Nachteile OSM

• Forschungsprojekte im Zusammenhang mit OpenStreetMap

citation("XML")

## 
## To cite package 'XML' in publications use:
## 
##   Duncan Temple Lang and the CRAN Team (2018). XML: Tools for
##   Parsing and Generating XML Within R and S-Plus. R package
##   version 3.98-1.12. https://CRAN.R-project.org/package=XML
## 
## A BibTeX entry for LaTeX users is
## 
##   @Manual{,
##     title = {XML: Tools for Parsing and Generating XML Within R and S-Plus},
##     author = {Duncan Temple Lang and the CRAN Team},
##     year = {2018},
##     note = {R package version 3.98-1.12},
##     url = {https://CRAN.R-project.org/package=XML},
##   }
## 
## ATTENTION: This citation information has been auto-generated from
## the package DESCRIPTION file and may need manual editing, see
## 'help("citation")'.

citation("xml2")

## 
## To cite package 'xml2' in publications use:
## 
##   Hadley Wickham, James Hester and Jeroen Ooms (2018). xml2: Parse
##   XML. R package version 1.2.0.
##   https://CRAN.R-project.org/package=xml2
## 
## A BibTeX entry for LaTeX users is
## 
##   @Manual{,
##     title = {xml2: Parse XML},
##     author = {Hadley Wickham and James Hester and Jeroen Ooms},
##     year = {2018},
##     note = {R package version 1.2.0},
##     url = {https://CRAN.R-project.org/package=xml2},
##   }

• Das R-Paket osmdata mit dem man OSM-Daten herunterladen kann und das auf der Overpass API beruht.

• Das Paket osmplotr

Mark Padgham - Import 'OpenStreetMap' Data as Simple Features or Spatial Objects

• Mit dem Paket kann man Daten von OpenStreetMap importieren
• Die OSM Daten sind unter ODbL licence zu haben

install.packages("osmdata")

library(osmdata)

citation("osmdata")

library("osmplotr")
library("osmdata")

bbox <- getbb("Mannheim")
dat_osm <- extract_osm_objects(key='building', 
                              value="kindergarten",
                              bbox=bbox)

• Der Rahmen kann entweder erstellt werden, indem die Koordinaten angegeben werden:

q <- opq(bbox = c(52.3, 4.7, 52.4, 5.1))

• oder indem man den Befehl getbb verwendet:

bb <- getbb('Ladenburg')

• In bb sind nun vier Werte gespeichert, die den Rahmen definieren

• Befehl opq - eine Overpass Anfrage erstellen

q <- opq(bbox = bb)

• Erst mit dem Argument format_out=polygon Befehl getbb erhält man das Polygon:

bb_poly <- getbb(place_name = "Ladenburg", 
                 format_out = "polygon")

• Das Ergebnis ist sind zwei Vektoren mit den Longitude und Latitude Koordinaten.

##          [,1]     [,2]
## [1,] 8.569720 49.49107
## [2,] 8.569858 49.49101
## [3,] 8.569999 49.49096
## [4,] 8.570342 49.49085

Simple Features for R

• Das Paket sf ist ein Paket um geometrische Operationen durchzuführen.

library(sf)

• Vignette für das Paket sf

Create simple feature from a numeric vector, matrix or list

library(sf)
ls <- st_linestring(bb_poly)
sfc <- st_sfc(ls)

library(tmap)
qtm(sfc)

OSM map features

• Alle benannten Objekte findet man, wenn man OSM map features in eine Suchmaschine eingibt.

• Achtung, wenn man bspw. alle Objekte mit dem Schlüssel amenity für eine Stadt heraussucht, bekommt man einen recht großen Datensatz

q <- add_osm_feature (q, key = 'amenity')
osmdata_xml(q, '../data/Ladenburg_amenity.osm')

• Die Funktion osmdata_sf gibt ein osmdata ObjeKt im sf Format.

library(magrittr)
dat1 <- opq(bbox = 'Ladenburg') %>%
    add_osm_feature(key = 'shop', value = 'bakery') %>%
    osmdata_sf ()

unlist(lapply(dat1,nrow))

##        osm_points         osm_lines      osm_polygons    osm_multilines 
##                16                 0                 0                 0 
## osm_multipolygons 
##                 0

**Der Start mit dem Paket tmap

library(tmap)
tm_shape(sfc) 
tm_bubbles(dat, size=2)

• OSM map features

q <- add_osm_feature (q, key = 'amenity',value = "bicycle_parking")
osmdata_xml(q, '../data/Amsterdam_amenity_bicycle_parking.osm')

dat <- sf::st_read ('../data/Amsterdam_amenity_bicycle_parking.osm', 
                    layer = 'points', 
                    quiet = TRUE)

library(tmap)
qtm(dat)

dat <- sf::st_read ('../data/Amsterdam_amenity.osm', 
                    layer = 'points', 
                    quiet = TRUE)

nrow(dat)
names(dat)

?add_osm_feature

q <- opq (bbox = 'Mannheim')
q <- add_osm_feature (q, key ="amenity",value = 'bar') 
osmdata_xml (q, 'data/Mannheim_bar.osm')

dat_bar <- sf::st_read ('../data/Mannheim_bar.osm', 
                        layer = 'points', quiet = TRUE)

q <- opq (bbox = 'Amsterdam')
q <- add_osm_feature (q, key ="amenity",
                      value = 'bus_station') 
osmdata_xml (q, 'data/Amsterdam_bus_station.osm')

dat_bus <- sf::st_read ('../data/Amsterdam_bus_station.osm', 
                        layer = 'points', quiet = TRUE)
nrow(dat_bus)

?sf::st_read

• Main vignette osmdata
• OpenStreetMap Data Structure

q <- opq (bbox = 'Amsterdam')
q <- add_osm_feature (q, key ="public_transport",
                      value = 'station') 
osmdata_xml (q, '../data/Amsterdam_bus_pubtrans.osm')

dat_bus <- sf::st_read ('../data/Amsterdam_bus_pubtrans.osm', 
                        layer = 'points', quiet = TRUE)
nrow(dat_bus)

Stop area

dat3 <- opq(bbox = 'Amsterdam') %>%
    add_osm_feature(key = 'railway', 
                    value = 'tram_stop') %>%
    osmdata_sf ()

dat3$osm_points$geometry

# install.packages("osmplotr")
library("osmplotr")
bbox <- getbb("Amsterdam")
dat_pa <- extract_osm_objects(key='highway', 
                              value="primary",
                              bbox=bbox)
dat_sa <- extract_osm_objects(key='highway', 
                              value="secondary",
                              bbox=bbox)
dat_ta <- extract_osm_objects(key='highway', 
                              value="tertiary",
                              bbox=bbox)

map <- osm_basemap(bbox = bbox, bg = c("#F5F5DC"))
map <- add_osm_objects(map, dat_pa, col = c("#00008B"))
map <- add_osm_objects(map, dat_sa, col = "green")
map <- add_osm_objects(map, dat_ta, col = "lightblue")
map <- add_osm_objects(map, dat3$osm_points, col = c("red"))
print_osm_map(map)

features <- available_features()
head(features,n=20)

##  [1] "4wd only"                "abandoned"              
##  [3] "abutters"                "access"                 
##  [5] "addr"                    "addr:city"              
##  [7] "addr:conscriptionnumber" "addr:country"           
##  [9] "addr:district"           "addr:flats"             
## [11] "addr:full"               "addr:hamlet"            
## [13] "addr:housename"          "addr:housenumber"       
## [15] "addr:inclusion"          "addr:interpolation"     
## [17] "addr:place"              "addr:postcode"          
## [19] "addr:province"           "addr:state"

api_list <- c('http://overpass-api.de/api/interpreter',
              'https://lz4.overpass-api.de/api/interpreter',
              'https://z.overpass-api.de/api/interpreter',
              'https://overpass.kumi.systems/api/interpreter')

api_to_use <- sample(1:length(api_list), 1)

set_overpass_url(api_list[api_to_use]) 

# https://rdrr.io/cran/osmdata/man/osmdata_sp.html
?osmdata_sp

• Github repo of the osmdata package
• Vignette for the package osmdata on github
• osmdata Homepage
• Overpass API - query form
• Overpass API/Language Guide

• Overpass Turbo

• **osmplotr tutorial

• Geocomputation with R

• osmar - JOS

• Die Daten stammen von:

http://www.openstreetmap.de/

• Dabei wird die Overpass API genutzt:

http://wiki.openstreetmap.org/wiki/Overpass_API

url <- "https://raw.githubusercontent.com/Japhilko/
GeoData/master/2015/data/CampSites_Germany.csv"

CampSites <- read.csv(url)

magrittr - für den Pipe Operator in R:

library("magrittr")

leaflet - um interaktive Karten mit der JavaScript Bibliothek 'Leaflet' zu erzeugen

library("leaflet")

leaflet()%>%
  addTiles()

Hallo Leaflet

leaflet() %>%
  addTiles() %>%
  addMarkers(lng=8.456597, lat=49.48738,
             popup="Wo wir sind")

m <- leaflet() %>%
  addTiles() %>%  
  addMarkers(lng=CampSites$lon, 
             lat=CampSites$lat, 
             popup=CampSites$name)
m

m %>% addProviderTiles("Stamen.Toner")

Eine Stamen Karte als Hintergrund

m %>% addProviderTiles("CartoDB.Positron")

CartoDB als Hintergrund

• CartoDB

• Info zu Map Tiles

m %>% addProviderTiles("NASAGIBS.ViirsEarthAtNight2012")

Lichter der Nacht

popupInfo <- paste(CampSites$name,"\n",CampSites$website)

m <- leaflet() %>%
  addTiles() %>%  # Add default OpenStreetMap map tiles
  addMarkers(lng=CampSites$lon, 
             lat=CampSites$lat, 
             popup=popupInfo)
m

Das Ergebnis ist hier:

http://rpubs.com/Japhilko82/CampSitesHL

Campingplätze in Deutschland

Camping Mannheim

Ich hab die Ergebnisse hochgeladen:

http://rpubs.com/Japhilko82/Campsites

Publizieren auf Rpubs

url <- "https://raw.githubusercontent.com/Japhilko/
GeoData/master/2015/data/whcSites.csv"

whcSites <- read.csv(url) 

m <- leaflet() %>%
  addTiles() %>%  # Add default OpenStreetMap map tiles
  addMarkers(lng=whcSites$lon, 
             lat=whcSites$lat, 
             popup=whcSites$name_en)
m

Weltkulturerbestätten

whcSites$color <- "red"
whcSites$color[whcSites$category=="Cultural"] <- "blue"
whcSites$color[whcSites$category=="Mixed"] <- "orange"

m1 <- leaflet() %>%
  addTiles() %>%  
  addCircles(lng=whcSites$lon, 
             lat=whcSites$lat, 
             popup=whcSites$name_en,
             color=whcSites$color)
m1

Karte Weltkulturerbe

Als Website speichern

library(mapview)

mapview(franconia)

mapview(leaflet::gadmCHE)

library(mapedit)
library(magrittr)

lf <- mapview()
drawing <- lf %>%
  editMap()

load("../data/spatsamp_68239.RData")

library(mapview)
mapview(spatsamp)

library("tmaptools")
gc_tma <- geocode_OSM("Mannheim, GESIS")

library(leaflet)
library(magrittr)
m <- leaflet() %>%
addTiles() %>%
addMarkers(lng=8.463061 , lat=49.485736 , popup="GESIS Mannheim")
m

• JavaScript Object Notation

install.packages("geojsonR")
citation("geojsonR")

• Ein OSM map feature heraus suchen
• z.B. key=highway, value=bus_stop
• Auf Overpass Turbo gehen und das Objekt herunterladen

bus_stops <- geojsonio::geojson_read("../data/Amsterdam_bus_stop.geojson",
  what = "sp")

sp::plot(bus_stops)

• Vignette für das Paket lawn

• Mit dem Paket lawn kann die Javascript-Bibliothek turf.js in R eingebunden werden.

• Weitere genutzte Javascript Bibliotheken (geojson-random und geojsonhint), werden verwendet um GeoJSON-Objekte zufällig zu erzeugen bzw. um die GeoJSON Objekte einzufärben.

install.packages("lawn")
citation("lawn")

library(lawn)

• Mit der Funktion gr_polygon kann ein Beispielobjekt erzeugt werden.
• Anschließend kann man sich das Objekt mit der generischen Funktion view plotten.

a <- gr_polygon(n = 1, vertices = 5, max_radial_length = 5)
view(a)

b <- gr_polygon(n = 1)
view(b)

gcs <- geojsonio::geojson_read("../data/ddat.geojson")
view(gcs)

• A Robust, High Performance JSON Parser and Generator for R

library(jsonlite)
geoc <- read_json("../data/ddat.geojson")

citation("jsonlite")

## 
## To cite jsonlite in publications use:
## 
##   Jeroen Ooms (2014). The jsonlite Package: A Practical and
##   Consistent Mapping Between JSON Data and R Objects.
##   arXiv:1403.2805 [stat.CO] URL https://arxiv.org/abs/1403.2805.
## 
## A BibTeX entry for LaTeX users is
## 
##   @Article{,
##     title = {The jsonlite Package: A Practical and Consistent Mapping Between JSON Data and R Objects},
##     author = {Jeroen Ooms},
##     journal = {arXiv:1403.2805 [stat.CO]},
##     year = {2014},
##     url = {https://arxiv.org/abs/1403.2805},
##   }

library("RJSONIO")
con <- url("http://nominatim.openstreetmap.org/search?format=json&
addressdetails=1&extratags=1&q=Amsterdam+Niederlande+Rozengracht+1")
geoc <- fromJSON(paste(readLines(con,warn=F), 
                       collapse = ''))
close(con)

• Rbloggers Artikel zu Leaflet

• Einführung in Leaflet für R

• Offline Karten mit RgoogleMaps und leaflet

• github Ordner für das lwan Paket